我国每年产生废旧纺织品超过2 600多万吨, 且随着经济的发展呈现逐年增多的趋势, 而其再生利用率不足10%。 废旧纺织品组分的多样性和结构的复杂性是影响其准确分类、 快速回收和高附加值再利用的最大障碍。 人工识别分选既费时费力又不准确, 而近红外光谱分析技术可对其进行快速无损高效识别分选。 在前期探究的最佳测试条件下, 利用自主研制的“纤维制品在线近红外高效识别与分选装置”对聚酯、 棉、 毛、 锦纶、 真丝、 粘胶、 腈纶、 聚酯/毛、 聚酯/棉、 聚酯/锦纶、 真丝/棉混纺和“特殊类”共计12类1 060个废旧纤维织物样本进行在线原始近红外光谱采集。 基于采集的样本在线原始NIR谱图, 利用卷积神经网络方法, 依据输入的样本光谱数据及对应分类标签进行网络训练, 建立了12类废旧纺织品在线NIR定性识别模型。 对比一维、 二维卷积神经网络模型, 其二维模型较优, 该模型是将901～2 500 nm的一维数组归一化后转化为40×40像素的二维灰度图像, 再交替进行多次卷积和池化来进行光谱特征的提取、 压缩和数据降维。 通过模型计算得到每类废旧纺织品样本的类别概率值, 取其最大值作为该类织物的最终分类。 本模型训练过程设置为500轮, 每次取32个样本图像, 学习率为0.001。 训练后输出预先设定的12类织物标签, 所建模型的内部训练准确率可达96.2％。 为了验证模型的适用性, 用232个未参与建模的织物样品进行预测检验, 其识别正确率达96.6％。 将该模型导入“纺织品在线主控程序”后, 可对建模样本所涵盖的12类织物进行成分识别与自动分选, 每个样品的识别和分选时间小于2 s。 模型的建立和装置的应用为我国废旧纺织品的回收再利用提供了一种全新的分选技术和装备。

将稳健设计方法应用于激光微细打孔工艺, 以克服不确定因素带来的成形质量波动问题。通过考虑激光打孔工艺中噪声因素(加工时间、气体气压等)的随机不确定性对3个可控设计变量(脉冲能量、脉冲宽度和离焦量)的影响, 对孔型出口直径进行了分析性稳健优化设计。首先, 通过正交试验设计, 利用响应面模型建立了质量指标与参数之间的显示二次回归方程; 其次, 运用泰勒级数展开, 得到指标的期望和波动方差, 建立了以方差最小为目标和期望值为约束的稳健优化设计模型; 最后, 结合MATLAB优化算法得到工艺参数的最佳组合, 并与确定性优化对比, 验证了所采用的优化方法具有良好的效果。

在废旧纺织品回收再利用中, 纤维类型和含量的快速、准确测定是回收方案的关键部分。以598个废旧涤棉混纺织物为研究对象, 采用便携式近红外(NIR) 光谱仪测试了样品的原始近红外光谱。在1 400～1 700和1 900～2 200 nm光谱区域, 100％棉和100％聚酯样品的光谱存在明显差异, 并且这些光谱差异存在于各种颜色纤维上。同时探讨了斜线光谱产生的原因可能是由于织物表面效果、着色方法及粘附在纤维表面的细小颗粒造成的。深色样品易造成其光谱基线在短波区发生漂移, 经导数预处理后, 基线漂移基本消除, 斜线光谱呈现出正常光谱的特征。 利用偏最小二乘(PLS) 法结合一阶导数、 S-G平滑、 均值中心化和正交信号校正法, 建立了废旧棉-涤混纺织物定量分析模型。 为了验证模型的可靠性, 选取346个样本采用内部交叉验证均方根误差(RMSECV) 和预测样品集外部检验法对模型进行检验, 模型的RMSECV值0.002、 校正集相关系数RC＝0.998、 预测相关系数RP=0.997、 预测标准差SEP＝1.121, 模型预测正确率可达97％。 对模型进行匹配样本t检验结果显示, NIR方法与国家标准方法无显着性差异。 NIR预测值与重量法测定值误差在±3％以内时, 二者的一致性在90％以上, 当误差在±5％以内, 二者的一致性在95％以上, 分析时间小于10 s。 因此, 利用近红外技术结合所建模型可以快速、 准确地预测废旧棉/涤混纺织物纤维成分的含量。

利用便携式近红外光谱仪对376个涤/棉混纺织物进行研究, 利用定量分析模型中的偏最小二乘法(partical least squares, PLS)作为校正方法, 结合涤/棉混纺织物中涤、 棉含量设定的定性鉴别系数, 建立了涤/棉混纺织物的半定量-定性分析校正模型。 该模型对涤/棉混纺织物进行定性鉴别的同时得出其相对含量, 分析结果具有半定量性质。 在建模过程中, 采用Savitzky-Golay导数法, 消除噪声和基线漂移对光谱的影响, 并研究了波段选择和不同预处理方法对定性校正模型的影响。 纯棉的主要吸收峰位于1 400~1 600 nm, 纯涤的主要吸收峰位于1 600~1 800 nm, 随着涤或棉含量的增加, 其相应的吸收峰强度增强, 因此, 建模波段以涤、 棉主要吸收峰区间为基本波段, 进行双向扩展, 得到最佳波长区间1 100~2 500 nm(相关系数0.6, 波点数934)。 利用所建校正模型对验证集样本进行预测, 结果表明, 在1 100~2 500 nm处, 预处理方法为Savitzky-Golay导数、 多元散射校正与均值中心化相结合时, 该模型评价参数较佳, 其中RC(校正集相关系数)0.978, RP(验证集相关系数)0.940, SEC(校正标准差)1.264, SEP(预测标准差)1.590, 样品预测正确率达93.4%。 表明该定性分析校正模型能够较好地对涤/棉混纺织物进行半定量-定性预测。

利用近红外光谱技术对354个废旧涤/棉混纺织物进行研究, 通过偏最小二乘法(partial least squares, PLS)和定性鉴别系数建立了不同光谱特征的涤/棉混纺织物近红外定性分析模型。 染色涤/棉混纺织物NIR光谱主要有两大类, 一类具有正常涤/棉光谱特征, 另一类光谱由于样本中染料、 颜料和消光剂等化学助剂的影响, 使光谱谱线成斜线, 失去其光谱特征。 如以全部样本建模, 模型识别率较低。 故将样本分为两类: 斜线光谱样本和正常光谱样本, 分别建立NIR定性分析模型。 NIR定性分析模型建立后, 根据验证结果分别对建模的谱区、 预处理方法和主因子数进行优化, 以提高模型的稳健性和可靠性。 结果表明, 样本分别建模后, 模型的识别率大大提高, 用验证集样本进行内部验证, 正常光谱和斜线光谱所建模型的识别率均达99%, 其校正集相关系数RC均为0.991, 验证集相关系数RP分别为0.983和0.984、 校正标准差SEC分别为0.887和0.453、 预测标准差SEP分别为1.131和0.573。 用150个界外样本分别对正常光谱样本模型和斜线光谱样本模型进行外部预测检验, 模型识别率分别达91.33%和88.00%, 表明所建NIR定性分析模型能够较好地在回收现场进行涤/棉混纺织物的鉴别。